基于新型物理原理的神经网络驱动的电力-热能集成控制，用于长续航电动拖拉机

《Energy》：Novel physics informed neural network based power-thermal integrated control for extended-range electric tractor

　　冯旺|郭洪涛|张远健|卢中华 中国江苏大学汽车工程研究所，镇江212013 摘要：动力系统与热管理系统是混合动力拖拉机的关键组成部分，有效的能量与热量管理能够显著提升燃油经济性及热性能。然而，能量管理与热管理之间的异步控制时间尺度可能导致在高负荷长时间运行时性能下降。因此，本文提出了一种基于物理信息神经网络（PINN）的动热一体化控制策略。首先建立双向动热耦合模型，明确动力系统与热系统之间的相互影响关系；接着采用多结构物理信息神经网络模型预测控制策略（MPINN-MPC），设计出可在统一时间域内同步进行动力与热管理的控制策略，从而优化能量流动分布、提升燃油经济性，并使关键部件始终处于最佳工作温度状态。最后通过对比性的硬件在环测试，验证了所提一体化控制策略的有效性与性能。

引言：传统拖拉机数量众多，且其能源效率低下、排放严重，造成了严重的空气污染[1][2]。现代农业发展迫切需要高效智能的混合动力拖拉机，这类拖拉机已成为全球农业装备创新的主要焦点[3][4]。作为典型的越野车辆，拖拉机必须在露天环境中长期高负荷运转，同时能够在低速状态下保持高扭矩输出[5]。拖拉机在运行过程中的负载复杂且具有随机性，不同的作业条件还会导致负载出现明显波动[6][7]，这不仅会降低能源效率，还会增加发动机动力系统的发热量。此外，动力系统的性能也会受到温度的影响[8][9]。由于行驶速度较慢、对流散热受限以及热量积累较多，动力系统的工作性能会受到影响[10]。同时，能量管理与热管理的分离控制使得热管理系统只能作为动力系统的被动响应，其控制存在滞后性，可能导致关键部件的温度在短时间内超过标准值，进而影响其工作性能。因此，确保混合动力拖拉机在高负荷条件下的高效运转是一个亟待解决的关键问题。

作为混合动力拖拉机的主要能源来源，内燃机与电池的运行效率共同决定了整个系统的性能。过高的内燃机温度会加速润滑剂的降解，增加摩擦与磨损[11]，而电池的性能则高度依赖于温度——如果动力电池温度过高，会加剧电池老化，降低电池容量[12]。Chalet等人[13]对柴油机进行了多缸建模，得到了过渡阶段的温度变化规律，并分析了冷却液与机油温度的变化可能性。Calearo等人[14]则考虑了电池的动力学特性以及电气、热学和老化过程之间的相互关联，提出了一种用于建模和验证电池主要动力学特性的方法，预测结果误差低于5%。Tian等人[15]提出了一种考虑温度升高、电池健康度下降以及充电时间的多阶段恒流充电模式，并对电池老化模型进行了优化。现有的动力系统建模方法普遍存在缺乏热力学耦合的问题，未能充分体现温度对燃油消耗率及电池老化速率的动态影响，同时也忽略了发动机与电池在温度变化条件下的产热特性规律[16][17]，这会导致运行过程中燃油消耗增加、电池加速老化。

在传统研究思路中，能量管理（EMS）与热管理（TMS）是独立控制的：EMS以燃油经济性为核心优化能量分配，而TMS则负责将各部件温度维持在安全范围内。Yazar等人[18]提出了一种深度强化学习算法，设计了基于燃油消耗最小化与电池充电可持续性的激励奖励函数，同时还引入了评价算法来平衡探索与开发过程中的能量分配。Wang等人[19]基于博弈论建立了一种新的EMS模型，该模型综合考虑了等效燃油消耗与牵引效率，从而在降低等效燃油消耗及提升牵引效率方面取得了更好效果。Liu等人[20]结合模型自适应技术、前瞻性信息利用以及温度轨迹规划，提出了一种改进的热管理模型预测控制策略，有效降低了温度跟踪误差。然而，能量管理与热管理分离的控制方式会导致热管理系统需要在接收到动力系统温度信息后才开始工作，存在时间滞后，缺乏前瞻性预测与稳定调节能力，也无法准确预测未来的温度变化，在面对复杂作业条件时可能会降低整机的运行性能。为更好地实现动力系统与热系统之间的协同，学者们也对其一定程度的集成管理进行了研究[21][22]。Gong等人提出了一种动热一体化管理方案，旨在优化混合动力车辆的能量分配、发动机热管理以及车厢加热功能，以实现最低燃油消耗的目标，但该方案并未考虑电池的热状态[23]。Han等人[24]提出了一种考虑电磁热控制的预测型能量管理策略，旨在在确保电机温度低于限定值的同时降低运营成本并控制电磁场温度上升，但该策略并未纳入热系统控制范畴。Gong等人[25]提出了一种动热一体化管理方案，采用HMPC分层控制策略——上层以最优SOC轨迹作为参考，下层则通过DP优化来实现最低燃油消耗目标。Hu等人[26]提出了一种多时间域模型预测控制器，通过分层预测将快速动态与慢速动态以及动力系统与热系统的响应联系起来，从而降低燃油消耗并加强对动力系统的高温约束。近年来，针对动力系统的预测建模与能量流分析研究逐渐增多[27][28]，相关研究采用数据驱动模型对动态系统进行预测，结果表明，学习建模方法在刻画复杂非线性动态系统的特性方面具有巨大潜力。Sun等人[29]利用改进的深度神经网络建立了质子交换膜燃料电池的电化学阻抗预测模型，并对该网络预测模型进行了详细的参数设计，该模型在各种运行条件下都能将预测误差控制在5%以内，展现出较强的泛化能力与出色的预测性能。目前，关于热系统集成管理的研究主要集中在主从控制或分层控制层面，二者之间的深度集成优化尚未实现，而且热系统的滞后问题也尚未得到解决，这在复杂作业条件下可能会降低运行效率并影响动力部件的使用寿命。

针对混合动力拖拉机在野外作业时的长期高负荷动力需求，本文提出了一种混合动力拖拉机动热耦合系统的一体化控制策略，旨在实现对动力系统与热系统的全面控制，优化能量流动分布，提升动力系统与热系统的动态响应性能、工作效率以及运行稳定性。本研究满足了农业电气化与节能发展的需求，其主要贡献可概括如下：1）鉴于动力系统的动热深度耦合特性，建立了包含动力模型、产热模型与热模型在内的双向动热耦合模型，还将动力部件的温度变化特性纳入系统建模中，从而构建出了完整的动力系统与热系统模型。2）设计出了动热耦合的一体化控制策略——针对内燃机热系统的冷却主回路/旁通回路，将动力系统与热系统的控制置于同一时间域内，同时对内燃机、动力电池以及冷却部件进行整合控制，以优化能量流动分布，有效提升了能源利用效率以及整机的热性能。

本文的其余结构如下：第二部分介绍了混合动力拖拉机的动热耦合物理模型；第三部分阐述了动热耦合系统的一体化控制策略框架及其设计流程；第四部分对比分析了不同控制策略下的硬件在环测试实验结果；最后第五部分对全文进行了总结，并提出了后续的研究方向。

EDMT的动力系统与热系统结构：本文研究的增程式双电机拖拉机（EDMT）的配置与工作流程如图1所示。驾驶员模型输出所需的动力，冷却系统与动力系统的动作则分别通过一体化控制策略输入到热管理系统与动力系统中，系统会根据反馈结果调整输出动作。为满足拖拉机在野外环境中的长期作业需求，本文采用了基于PINN的EDMT动热一体化控制策略。

模型预测控制（MPC）是一种基于优化的滚动时域控制策略，由于其具备处理多变量系统、约束条件以及动态系统的优势，被广泛应用[34]。MPC框架由三个核心组成部分构成：预测模型、滚动优化以及反馈校正。作为滚动优化的基础，预测模型直接决定了系统的控制性能与优化效率。

为了进一步提升所提PTCS控制策略的有效性与实时可行性，本文建立了硬件在环（HiL）仿真平台，如图10所示。在离线阶段，PTCS的动力系统与热系统模型是在AMESim中建立的，而MPINN-MPC控制器以及对比用的其他控制策略则是在MATLAB中开发的。仿真是在配备Intel (R) Core (TM) i9-14900HX处理器的计算机上进行的。

结论：本研究针对增程式双电机拖拉机的动力系统与热系统，提出了一种基于物理信息的新型神经网络动热一体化控制策略。该策略建立了动热耦合模型，优化了整机的能量流动分布。主要贡献如下：1）充分考虑了动力模型与产热模型之间的耦合关系，实现了电能与热能之间的有效互动。

作者贡献声明：郭洪涛：撰写原文初稿、软件使用、数据整理；张远健：验证实验、方法设计、研究分析；冯旺：撰写文章的审阅与编辑工作、验证实验、项目监督、资源协调；卢中华：验证实验、研究分析、形式化分析、数据整理。

利益冲突声明：作者声明不存在任何利益冲突。

致谢：本研究得到了国家自然科学基金[项目编号：52172358]、江苏省与港澳台地区科技合作计划[项目编号：BZ2025031]以及智能绿色车辆与移动性国家重点实验室开放基金项目[项目编号：KFY260305]的资助。